疾病的预后分析是重要的临床研究^[1]，随着研究的深入许多研究者发现即使患者的临床因素相似，其预后也可能存在较大差异，于是近年来越来越关注遗传因素对疾病预后的影响^[2]。新一代测序技术的发展产生了大量高维基因组数据，将生存信息与这些遗传信息结合探索疾病的发生、发展及预后成为新的研究热点^[3]，这对科研与临床均具有重要的意义。高维基因组数据分析的挑战在于研究单核苷酸多态性(single nucleotide polymorphisms，SNPs)之间的交互效应^[4]，但生存分析数据SNPs之间交互作用的研究还罕有报道^[5]。为对SNPs交互作用的分析方法进行比较，为疾病预后数据尤其是高维基因组生存数据的分析提供方法学参考，本文对疾病预后数据分析方法研究进展进行综述如下。

1 疾病预后

疾病预后是事先估计疾病的未来结局^[6]，统计学上是疾病发生后预测疾病的多种转归，包括判断疾病的特定后果(如痊愈、复发等)及其发生的概率(治愈率、复发率等)^[7]，了解影响预后的因素，进而通过改变影响因素改变疾病的预后，为制定临床治疗决策提供依据，以及评价治疗措施的效果等。

2 生存分析数据

疾病预后研究的设计方案一般为队列研究^[6]，分析队列随访数据的统计方法多用生存分析。传统生存分析主要研究临床因素对患者的预后影响，但疾病的预后常受多种因素的影响，且因素之间并非完全独立，常存在复杂交互作用^[8]，所以目前对生存分析数据的处理应转移到基因-基因、位点-位点、基因-环境的交互作用对疾病预后的影响。

2.1 单核苷酸多态性

SNPs是由单个核苷酸变异产生的碱基序列多态性，具有密度高、遗传稳定、分布不均匀等特点^[9]，SNPs是一种发生在早期的稳定可遗传变异，SNPs在人体的各种生物学现象(如对药物或疾病的易感性、表型的差异、寿命的长短等)发挥着不可替代的作用。全基因组关联分析(genomewide association study，GWAS)是应用人类基因组中大量的SNPs位点为标记进行病例-对照关联分析^[10]，逐一分析单个SNP位点的效应而忽略位点之间的交互作用是单个SNP位点GWAS的局限所在，也不能取得复杂疾病病因探索的突破性进展^[11]，因为复杂疾病多是由基因位点和环境因素共同作用所致^[12]，交互作用分析势在必行。多个SNPs位点间交互作用的研究中，样本量与位点个数表现为指数函数关系，即使样本量比较大，生物数据在高维空间中的分布情况也难免零散，基因型组合为空的概率增大，即维度灾难^[13]。

2.2 上位效应

上位效应即基因之间的交互作用^[14]，上位概念存在了至少有100年，一直被认为是对简单孟德尔比率偏差的一种解释，Moore等^[15]将上位效应定义为两类，生物上位发生在个体水平，包括脱氧核糖核酸(deoxyribonucleic acid，DNA)序列变异、生物分子以及它们的交互，在特定时空内产生了一个表型；统计上位是一个群体现象，通过基因型的个体差异、生物分子和它们的生物交互使之成为可能，群体中个体之间生物上位的不同导致了统计上位，但生物上位在不存在统计上位时也完全有可能发生。生物上位和统计上位之间的关系是复杂的，统计交互并不一定能反应生物水平上的交互^[16]，当下研究的热点之一就是在保留数据中上位作用的前提下进行降维，并且建立复杂疾病与具有交互作用基因之间关系的模型^[17]。此外，Phillips等^[18]提出上位可以分为三类，即组成上位、功能上位和统计上位。

3 分析方法 3.1 传统参数模型

传统参数模型通常采用logistic回归模型。logistic回归是建立疾病状态与SNP关系模型的最传统参数方法，可以估计基因和环境之间的交互作用^[19-21]，其中调整优势比与偏回归系数呈指数函数关系，方便进行流行病学意义的解释。但存在多因素分析交互作用时，logistic回归模型中常会产生较多的参数导致结果不易解释，且交互作用阶数越高越复杂。为改善传统logistic回归在处理交互作用中存在的缺点，2008年Park等^[22]在传统logistic回归模型中加入了二次方惩罚项，提出惩罚logistic回归。惩罚logistic回归利用哑变量对各因素编码，克服了共线性问题；通过惩罚样本量与变量数之间的问题也得到改善；存在高阶交互作用的情况下，惩罚logistic回归进行模型参数估计比较稳定^[23]。2009年He等^[24]将惩罚logistic回归用于肾移植急性排斥反应病人的研究；2014年Li等^[25]将惩罚logistic回归应用于非综合性先天性心脏病研究，发现7个候选基因中3个基因的单体型与疾病有关。此外，传统参数模型还包括广义线性模型(generalized linear model，GLM)、对数线性模型等方法。传统参数模型因存在模型假设，需要进行参数估计和统计推断，在处理高维非线性交互作用时功效较低^[26]。

3.2 Cox回归模型

生存分析是将研究对象的随访结局与随访时间结合起来研究的一种方法。生存分析数据一般通过纵向随访观察获取，通常含有删失数据，生存时间的分布类型复杂，通常不服从正态分布^[27]。生存分析常用Kaplan-Meier法、log-rank检验、Cox回归模型等方法研究临床因素对患者的预后情况的影响。Cox回归模型是由英国统计学家Cox DR在1972年提出的一种半参数模型，利用极大似然估计根据危险因素估计研究对象在研究时间内各时刻出现某结局的相对危险度，并得到回归方程^[7]。Cox回归模型不需要事先假定生存时间的分布，能够充分利用截尾数据的信息，还可以计算相对危险度；但计算比较复杂费时间，在处理大批量资料时更加明显。使用Cox回归模型要求有足够的样本量，因此，虽然Cox回归模型可以采用≥2个自变量相乘的积作为交互作用项分析自变量间的交互作用，但多SNPs位点的非大样本数据自变量间交互作用的Cox分析结果并不可靠。

3.3 机器学习方法

机器学习是模仿人类智能，是实现人类和更高智能的必经之路，可抽象理解为从现实世界的记录中识别模式和挖掘数据的一系列工具和方法^[28]。机器学习方法是通过对训练数据集

的“学习”来解决问题，也可以用于预测其他基于模型和学习规则数据的结局。利用机器学习方法检测上位效应，可解决传统参数模型中的维度灾难问题。开发机器学习法识别上位效应需要注意3个方面，即遗传异质性、是否存在主效应、交互中SNP的数量。目前，多因子降维(multifactor-dimensionality reduction，MDR)、支持向量机(support vector machines，SVM)、随机森林(random forest，RF)、人工神经网络等是常用的机器学习方法，其中MDR因无需指定遗传模式和交互作用模型而得到广泛关注及应用。

3.3.1 多因子降维

2001年Ritchie等^[29]提出MDR，利用乳房组织中与雌激素代谢相关的5个候选基因的10个位点对病例-对照研究中表型不一致同胞对的散发性乳腺癌进行研究，之后MDR被广泛用于多种常见复杂疾病(如散发性结直肠癌、乳腺癌、胃癌、高血压、心肌梗死、前列腺癌等)的研究中^[30-35]。MDR是非参数、无遗传模式的检测和表征基因交互作用的第一批机器学习法之一^[36]，基本原理是将多个变量(因子)并入一个单一特征(多因子组合)从而产生一个新的变量(病例对照比)代表数据的表示空间(高危或低危)。MDR通过十倍交叉验证和预测错误率选择最优模型，可减小数据划分的偶然性引起的I类错误^[37]，提升了对分类变量的预测能力，还可弥补传统参数模型分析高阶交互作用时的缺陷。但是当测试集的病例对照比与整个数据集相近时，假阳性/假阴性的错误率会增加，另外MDR不可定量评估模型且需要强度较大的计算。

3.3.2 广义多因子降维法(generalized multifactor dimensionality reduction，GMDR)

2007年Lou等^[38]在MDR方法中植入回归方法从而提出GMDR，利用4个候选基因的23个位点识别易感基因SNPs对尼古丁的依赖。GMDR是对MDR基本原理进行扩展的一种方法，利用极大似然估计得分作为划分高低风险组的标准。GMDR可以纳入协变量使得预测的准确度有所提高，表型和校正因素可为离散型也可为连续型，应用更加广泛，此外GMDR还有专门的软件检测多位点交互作用^[39]。2008年Chan等^[40]将GMDR运用于一个哮喘的病例-对照研究中，分析外周血嗜酸性粒细胞计数的基因间交互作用，此外，GMDR在脑卒中^[41]、2型糖尿病^[42-43]、脑梗死^[44]、直肠癌^[45]、高血压^[46]等领域也成功发现了交互作用。与MDR类似，GMDR也不能定量评估模型。

3.3.3 Odds ratio based multifactor dimensionality reduction(OR-MDR)

2007年Chung等^[47]提出OR-MDR应用于10个基因的42个位点对慢性疲劳综合症的研究。OR-MDR是在传统MDR基础加入优势比以定量衡量疾病风险，并提供每个基因型组合的置信区间，高优势比表示有高风险的交互作用；但OR-MDR计算强度大，且当基因型组合为空时OR-MDR不能进行分析。

3.3.4 RMDR

当基因型组合中病例对照比等于整个数据或基因型组合为空时，传统MDR将随机定义高、低风险组，而2011年Gui等^[48]提出的RMDR则利用确切概率法将基因型分为3组，即高风险组、低风险组和未知风险组(病例对照比为1时运行确切概率法，若P值大于预先确定的α值被定义为未知风险组；若P值小于等于预先确定的α值，病例数大于对照数定义为高风险组，反之为低风险组)，进而简化了MDR且更容易解释。只是，RMDR需要比MDR更强的计算。

3.3.5 Surv-MDR

在病例-对照研究中识别位点-位点之间的交互作用已被广泛研究，但关于生存分析数据(如患者生存时间或癌症复发时间)的位点-位点交互作用分析几乎未取得任何进展，为此2011年Gui等^[4]提出了Surv-MDR并将其应用到532个病例203个SNPs的膀胱癌随访数据，分析结果所筛选出的交互作用被证实也有实际意义。Surv-MDR修改了MDR的结构归纳算法，引入了log-rank检验，利用H=C²作为选择最优模型的得分。不过，Surv-MDR在某种意义上也存在一些缺点，需要更多的集中计算且不允许进行协变量调整。

3.3.6 Cox-MDR

鉴于对生存数据研究的缺乏以及Surv-MDR所无法克服的缺点，2012年Lee等^[5]又提出了Cox-MDR，并将其应用于带有人口统计学和临床资料及139个SNPs信息的97例急性髓性白血病患者的数据进行分析，筛选出了有统计学意义的交互作用。与Surv-MDR相比，Cox-MDR利用Cox模型分析所得到的鞅残差作为得分进而将多水平表型划分为高低风险组，用平衡精度衡量所有可能的k阶交互作用并确定最优模型，允许进行协变量的调整且需要更少的计算量。

4 小 结

生存信息与遗传信息的结合在分子水平上探索疾病的发生、发展及预后，对制定疾病防治策略具有极为重要的意义。Surv-MDR和Cox-MDR的提出为分析影响生存时间的SNPs交互作用开辟了新的道路，但方法学的发展还面临着巨大的挑战，今后期待出现更多的新方法可以在含有基因型和表型映射关系的复杂性研究中发挥重要作用。